使用 Edge Impulse 平台，在基于 ESP32-DevKitC的传感器上部署嵌入式机器学习 (ML) 模型，进行温度异常检测。
ESP32-DevKitC是一款入门级开发板。板上集成的 ESP32 引脚均已引出，便于连接和使用。
ESP32是集成 2.4 GHz Wi-Fi 和蓝牙双模的单芯片方案，采用台积电 (TSMC) 超低功耗的 40 纳米工艺，具有超高的射频性能、稳定性、通用性和可靠性，以及超低的功耗，满足不同的功耗需求，适用于各种应用场景。
Edge Impulse 是领先的嵌入式机器学习 (ML) 开发平台，提供了一个易于使用的端到端平台，能够实现以下功能：
轻松地将传感器数据输入到嵌入式机器学习模型中；
高效创建基于内存大小和功耗优化的嵌入式机器学习模型；
使用 Edge Impulse SDK 和自选的开发环境轻松地在目标传感器上部署模型。
以冷链监控应用为例，使用一个基于 ESP32-DevKitC 开发板、MAX31855 板和 K 型热电偶探针的异常检测模型，构建了一台冰箱温度监测器。
冰箱的温度监测对于确保在合适的温度下，对易腐食品进行冷藏存放十分重要。在此项目中使用了以下组件进行概念验证 (PoC) 演示：
ESP32-DevKitC 开发板，
Adafruit MAX31855 热电偶板，
K 型工业热电偶探针，
使用 Arduino IDE 编译的嵌入式固件，包含 Edge Impulse SDK。
用户可以轻松地将这个 PoC 演示的配置迁移至其他嵌入式设备上使用，也可以在 Edge Impuose Studio 上查看 Edge Impulse 项目的数据集，以及异常检测模型的训练方法。
在打开或关闭冰箱门几分钟后，Edge Impulse会基于传感器的温度变化曲线，创建异常检测嵌入式机器学习模型，从而检测出冰箱门的开关状态。
同时，它也可以通过“异常评分”获取该状态持续的时间。训练异常检测模型过程中，可以使用 “data forwarder” 工具来收集数据。
Edge Impulse Studio中实现了“温度异常区域”临界温度范围的可视化。将其用于 Zin Thein Kyaw 的项目中，能够检测数据中的异常值并将其标记为“异常”，为采用 K 均值聚类算法的嵌入式机器学习模型提供了重要参考。
ESP32-DevKitC 强大的计算能力、紧凑的设计和高性价比，也为构建创新应用、简化系统复杂度提供了思路和平台。